Ahhoz, hogy az önvezetőautók átvehessék a sofőrtől az irányítást, a járműveknek az összes közúti szereplő cselekvését tudniuk kell értelmezni, hogy a különféle közlekedési helyzetekben mindig jó döntést hozhassanak. Ezekre a feladatokra a mély gépi tanulási módszerek tanulási algoritmusai kiválóan alkalmasak.A Continental egy olyan számítógépes látási platformot mutatott be, amely Mesterséges Intelligenciát (AI), neurális hálózatokat és gépi tanulást használ a fejlett szenzor technológiák további fejlesztésére. A Continental ötödik generációs multifunkcionális kamerája, amelynek sorozatgyártása 2020-ban kezdődik, a neurális hálózatok mellett hagyományos számítógépes látási folyamatokat alkalmaz. A rendelkezésre álló hardver függvényében ezek méretre szabhatóak és finomíthatóak, az intelligens algoritmusok pedig segítenek jobban megérteni a helyzeteket, többek között a gyalogosok szándékának és gesztusainak kategorizálásával.

„A mesterséges intelligencia óriási szerepet játszik az emberi feladatok átvételében. Az AI szoftver segítségével a jármű képes értelmezni még a bonyolult és előre nem látható közlekedési helyzeteket is – ez most már nem arról szól, hogy mi van előttünk, hanem, hogy mi lehet előttünk” – mondta el Karl Haupt, a Continental ADAS üzletágának elnökhelyettese. „Az AI egy kulcstechnológia az automata vezetés szempontjából, része az autóipar jövőjének”. Ahogy mi is az érzékszerveinkkel mérjük fel a környezetet, az intelligenciánkkal dolgozzuk fel ezeket az információkat, hozunk döntéseket és a kezünk és lábunk segítségével működtetjük az autókat, az automata járműveknek is képesnek kell lenniük erre, azaz legalább olyan képességekkel kell rendelkezniük, mint az embereknek.

A helyzet-megértés és a kontextuális tudás fejlesztése

A mesterséges intelligencia új lehetőségeket nyit a számítógépes látási platformok előtt: például az AI képes felismerni az embereket, és értelmezni a szándékaikat és gesztusaikat. A Continental az AI segítségével emberi erővel ruházza fel a járműveket. „Az autónak olyan intelligensnek kell lennie, hogy megértse a sofőrt és a környezetet is” – mondta Robert Thiel, a MachineLearning and Test Data menedzsment vezetője. Nézzünk erre egy példát: az automata vezetői rendszereknél a szabályalapú algoritmus csak akkor aktiválódik, ha a gyalogos ténylegesen lelép az úttestre. Az AI algoritmusok azonban előre pontosan meg tudják határozni egy közeledő gyalogos szándékát. Ebből a szempontból úgy tekinthetünk rájuk, mint nagyon tapasztalt sofőrökre, akik ösztönösen felismerik a lehetséges kritikus helyzeteket, és felkészülnek az időben történő fékezésre. Ez nem szól másról, mint a helyzet teljeskörű megértéséről, amellyela jövőt előre jelezhetjük, és annak megfelelően cselekedhetünk.

Mély gépi tanulás, a virtuális sofőrképző iskola

Ahogy az embereknek, az AI rendszereknek is el kell sajátítaniuk új készségeket: az emberek a járművezető iskolában, az AI rendszerek pedig „ellenőrzött tanulási folyamatok” során. Ehhez olyan szoftverre van szükség, amely óriási mennyiségű adatot képes elemezni, levezetni a beavatkozás sikeres és sikertelen stratégiáit, majd később mindezt a tudást alkalmazni a járművekben. Az algoritmusok alapvető képességét a tanulás iránt folyamatosan fejlesztik. A fejlett vezetői asszisztencia rendszerek esetében például a valós vezetési helyzetekből származó, rögzített radar és kamera jelek is megfelelőekaz ilyen típusú tanuláshoz. Ez az óriási adatbázis kulcsfontosságú az AI továbbfejlesztésére a Continentalnál. A cég például szintén mesterséges intelligenciára támaszkodik azoknál a termékfejlesztési részlegeknél is, ahol rendkívül összetett feladatok zajlanak, mintpéldául a gyalogosok felismerésének fejlesztése, hogy az óriási adathalmazból megtanulhatóak legyenek a konkrét paraméterek. Ehhez egy olyan rendszerre van szükség, amely a bevitt adatokat – például a gyalogos felismeréshez használt kamera képének több millió pixelét – képes kombinálni és paraméterezni. A második lépésben pedig a rendszernek rá kell tudnia keresni a paraméterek összes lehetséges kombinációjára, a helyzet megoldása érdekében.

A technológiai cég hamarosan megkezdi a sorozatgyártását ennek az ötödik generációs kamerával ellátott rendszernek, bár már az eggyel korábbi generációban is alkalmaztak mély tanulási eszközöket. Az ezen alapuló módszerek hozzájárulnak ahhoz, hogy ezt a rendkívüli mértékű bonyolultságot különböző szinteken érthessünk meg – a jármű környezetének monitoringjától kezdve a vezetési stratégia megtervezésén át a jármű tényleges irányításáig. A mély tanulási módszerek emellett méretre szabhatóak, ami azt jelenti, hogy a több adat és a nagyobb számítási teljesítmény még erőteljesebb rendszert eredményez.

A Continental globális AI tevékenységének kiterjesztése

2015-ben aContinentallétrehozott egy központi fejlesztés előkészítő részleget, a mesterséges intelligenciára fókuszáló különféle kutatási aktivitások összehangolására. A technológiai cég az NVIDIA Baidu mellett számos kutatóintézettel dolgozik együtt ezen a területen, mint például az Oxfordi Egyetem, a Darmstadti Műszaki Egyetem vagy a Madrasi Műszaki Egyetem (India).

2018 májusában a ContinentalADAS üzletága Budapesten nyitott egy kompetencia központot a mély gépi tanulás fejlesztésére. 2018 végére a technológiai cég több mint 400 mérnököt és AI szakembert alkalmaz a világon, a mesterséges intelligencia területéhez kapcsolódó termék- és folyamatfejlesztésekhez pedig további tehetségeket keres.